「cs.SD」カテゴリーアーカイブ

Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning

投稿日: 2025年1月3日 作成者: jarxiv

要約 大規模音声言語モデル (LALM) の最近の進歩により、音声および音声情報 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Can Large Audio-Language Models Truly Hear? Tackling Hallucinations with Multi-Task Assessment and Stepwise Audio Reasoning はコメントを受け付けていません

An investigation of phrase break prediction in an End-to-End TTS system

投稿日: 2025年1月3日 作成者: jarxiv

要約 目的: この研究では、エンドツーエンドの Text-to-Speech ( … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | An investigation of phrase break prediction in an End-to-End TTS system はコメントを受け付けていません

Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement

投稿日: 2025年1月3日 作成者: jarxiv

要約 最近の音声強調 (SE) 研究では、トランスフォーマーとその変種が主要な方 … 続きを読む →

カテゴリー: cs.AI, cs.SD, eess.AS | Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement はコメントを受け付けていません

Stable-V2A: Synthesis of Synchronized Sound Effects with Temporal and Semantic Controls

投稿日: 2025年1月3日 作成者: jarxiv

要約 サウンド デザイナーやフォーリー アーティストは通常​​、ビデオ内の関心の … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.MM, cs.SD, eess.AS | Stable-V2A: Synthesis of Synchronized Sound Effects with Temporal and Semantic Controls はコメントを受け付けていません

Improving Generalization for AI-Synthesized Voice Detection

投稿日: 2024年12月31日 作成者: jarxiv

要約 AI 合成音声テクノロジーは、有益な用途のためにリアルな人間の声を作成でき … 続きを読む →

カテゴリー: cs.LG, cs.SD, eess.AS | Improving Generalization for AI-Synthesized Voice Detection はコメントを受け付けていません

A Modular-based Strategy for Mitigating Gradient Conflicts in Simultaneous Speech Translation

投稿日: 2024年12月31日 作成者: jarxiv

要約 同時音声翻訳 (SimulST) では、ストリーミング音声入力を継続的に処 … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | A Modular-based Strategy for Mitigating Gradient Conflicts in Simultaneous Speech Translation はコメントを受け付けていません

Enhancing Multimodal Emotion Recognition through Multi-Granularity Cross-Modal Alignment

投稿日: 2024年12月31日 作成者: jarxiv

要約 音声とテキストを活用するマルチモーダル感情認識 (MER) は、人間とコン … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Enhancing Multimodal Emotion Recognition through Multi-Granularity Cross-Modal Alignment はコメントを受け付けていません

TangoFlux: Super Fast and Faithful Text to Audio Generation with Flow Matching and Clap-Ranked Preference Optimization

投稿日: 2024年12月31日 作成者: jarxiv

要約 TangoFlux は、5 億 1500 万のパラメーターを備えた効率的な … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.SD, eess.AS | TangoFlux: Super Fast and Faithful Text to Audio Generation with Flow Matching and Clap-Ranked Preference Optimization はコメントを受け付けていません

ETTA: Elucidating the Design Space of Text-to-Audio Models

投稿日: 2024年12月30日 作成者: jarxiv

要約 近年、Text-To-Audio (TTA) 合成が大幅に進歩しており、ユ … 続きを読む →

カテゴリー: cs.CL, cs.LG, cs.SD, eess.AS | ETTA: Elucidating the Design Space of Text-to-Audio Models はコメントを受け付けていません

Building a Taiwanese Mandarin Spoken Language Model: A First Attempt

投稿日: 2024年12月30日 作成者: jarxiv

要約 この技術レポートでは、台湾華語の音声大規模言語モデル (LLM) を構築す … 続きを読む →

カテゴリー: cs.CL, cs.SD, eess.AS | Building a Taiwanese Mandarin Spoken Language Model: A First Attempt はコメントを受け付けていません